聚丙烯及聚酯纤维滤料耐紫外老化特性研究

以聚丙烯及聚酯纤维滤料为试验对象,采用UVC型紫外线辐射,进行人工老化试验,研究不同滤料紫外老化过程的性能变化.观察滤料形貌变化及纤维断裂情况,对老化过程中试样的拉伸断裂强度进行测试,并进行元素含量分析.同时,考察紫外线对箱体内的臭氧浓度的影响.测试结果表明:在一定辐射强度下,长时间紫外线辐射会导致滤料纤维的断裂降解,...     

LDD MOS器件模拟及热载流子效应分析

在深亚微米的工艺条件下,随着栅氧厚度、结深、沟道长度的减小,漏端最大电场强度增大.热载流子效应的影响变大,它对器件的寿命、可靠性等有很大影响.因此,要得到一个最佳的器件性能,通过对热载流子效应的分析,特别是通过对LDD MOS器件的模拟,分析了轻掺杂漏对热载流子效应的抑制作用,以及轻掺杂源漏的注入剂量和能量对器件的影响.通过分析我们可以看到:LDD结构通过两条途径来抑制热载流子效应:弱化漏端电场和使得漏端最大电场离开栅极.增大注入剂量对于提高电流驱动能力有好处,但在剂量达到约1x1013cm-2以后,驱动电流的增加就显得困难.最后我们得出n-区掺杂浓度1x1013-2cm附近.注入能量定为30keV时器件性能最佳.     

纳米级掺杂超晶格的生长及其性质研究

评述了制备纳米级掺杂超晶格材料的ＭＢＥ技术，给出了材料性能和器件研制结果。从微结构设计出发，研究了平面掺杂ＧａＡｓ／Ａｌ（Ｇａ）Ａｓ超晶格结构二维电子气有关性质，实验研究取得了重要的进展。     

AlGaAs中δ掺硅的研究

采用MBE工艺,研究在AlGaAs中δ掺硅,并生长了单δ层和多δ层两种结构。用电化学C-V和SIMS测量离化硅浓度和硅原子浓度分布。SIMS测量结果表明升高硅源温度比延长硅注入时间对提高掺杂浓度更为有效。C-V测量的最高浓度为5×10~(19)/cm~3,高于通常体掺杂浓度;FWHM为70～90A,降低衬底温度可望改善FWHM值。     

多用户OFDM系统

通过对多用户情况下正交频分复用技术(OFDM)的多载波传输系统(包括OFDM-FDMA,OFDM-TDMA和OFDM-CDMA)的分析,提出了在传统多用户情况下的OFDM-FDMA系统上对子载波进行优化的分配方案,并与各种多载波技术频率选择性衰落信道的环境下的传输性能进行了研究比较,仿真结果表明该方案性能要优于其他的多载波方案.     

基于分块技术的用户停电损失估算方法研究

介绍了停电损失的概念及影响因素．引入分块技术将配电网分块．并确定故障停电事件发生后各分块负荷点的类型;提出根据负荷点停电类型分别确认各分块区域的停电持续时间．结合综合用停电损失函数计算各分区的用户停电损失．最后汇总估算系统的用户停电损失．与传统的用户停电损失估算结果比较．证明了该方法的有效性。     

针对带约束非线性规划问题的遗传算法

研究了针对带约束非线性规划问题的遗传算法(CNP-GA),设计了相应的适应度函数及处理约束的方法,结合了排挤和排序选择以保证群体的多样性,通过邻域搜索和变异算子进行联合演化,并利用多个群体的竞争得到全局解,对非线性限制规划例子的测试证明本算法是有效而可行的。     

Y-TZP/MgAl_2O_4复相粉末和陶瓷的低温制备

为研究第二相粒子镁铝尖晶石(MgAl2O4)的引入对氧化钇稳定的四方氧化锆多晶体(Y-TZP)高温超塑性的影响,分别采用分步法和一步法制备了Y-TZP/30%MgAl2O4纳米粉末和亚微复相陶瓷。结果表明:MgAl2O4第二相粒子的引入不会使Y-TZP失稳;在1 580℃大气烧结1 h所制备的复相陶瓷中,0.7~1μm的镁铝尖晶石晶粒均匀地分散在0.1~0.3μm四方氧化锆晶粒中,构成相结合好的致密复合体。     

FZ-880消泡剂的研制

FZ-880消泡剂系以二甲基硅油与异辛醇为主体,配以烷基聚氧乙烯醚为乳化剂。该消泡剂既有快速的破泡性,又有良好的抑泡性,消泡后水相体系保持原体系状态。其消泡作用受温度变化的影响小。文章还介绍了该消泡剂在化纤及其混纺的针织物和机织物的染色、印花工艺上的多种应用实例。     

基于卷积神经网络的结构化非平衡数据分类算法

卷积神经网络具有高效的特征提取能力和较少的参数量,被广泛应用于图像处理、目标跟踪、自然语言等领域。针对传统分类模型对于结构化非平衡数据分类效果较差的问题,提出一种基于卷积神经网络的二分类结构化非平衡数据分类算法。设计结构化数据处理算法Data-Shuffle,将原始非平衡一维结构化数据转换为三维数组形式的多通道非平衡数据,为卷积神经网络提供更多的特征值,通过改进的VGG网络构建适合非平衡数据的网络结构卷积组,以提取不同的特征。在此基础上,提出更新权重加权采样算法UWSCNN,在每个迭代次数之后,根据模型的训练结果对易错样本进行重新加权,以优化训练结果。在adult、shoppers和diabetes数据集上的实验结果表明,相比逻辑回归、随机森林等传统机器学习模型,所提的Data-Shuffle算法的F1值提升了1%~19%,G-mean提升了2%~24%,相比SMOTECNN、BSMOTECNN、SMOTECNN+CS等采样算法,所提的UWSCNN算法对非平衡数据的分类效果提升了1%~13%,有效提高模型对非平衡数据的分类性能。